基于学习的数字图像超分辨率技术概述

数字图像超分辨率技术就是从一幅或多幅已知图像中重建出一幅具有更高空间分辨率的图像。这种技术自产生以来便受到众多学者的亲睐,产生了许多的相关算法。就目前而言,研究的主流是基于学习的算法。基于学习的算法是从事先构建的学习库中去获得待重建图像的先验知识,再在先验知识的辅助下恢复出待重建图像的高频细节,从而取得较好的视觉效果。对基于学习的超分辨率重建算法进行系统介绍,总结其中还存在的问题,并预测了进一步研究的方向。     

一种改进的图像超分辨率模型与数字图像分辨率的研究

论文从Harris等人提出的图像超分辨率理论出发,分析了传统图像超分辨率理论的不妥之处,并在此基础之上对成像模型进行了改进。以改进模型为依据,指出数字图像频谱的混迭是影响数字图像分辨率的主要因素之一,并且这种混迭是不可避免的,也是不可能被完全消除的。在数字图像超分辨率重建中,奈奎斯特抽样定理已经不能适用了,此种重建过程应该是减小混迭的过程,根据重建精度的要求,相应的来减小混迭。在图像混迭的基础之上,提出了一种数字图像分辨率的概念,由此概念出发,可以为数字图像超分辨率重建提供新的途径和评价方法。     

视频序列超分辨率重构技术综述

视频序列超分辨率重构技术可以利用来自一个或多个低分辨率视频序列信息重构一个具有高空间分辨率或高时空分辨率的视频序列。本文从视频序列的空间超分辨率、时间超分辨率以及时空超分辨率重构三个方面对视频序列超分辨率重构技术进行了详细的阐述,对视频序列超分辨率重构技术中的关键问题和应用前景进行了分析与展望。     

混合递归超分辨率图像重构ZHANGDi,PENGHong.Hybridrecursivesuper-

超分辨率图像重构是将多帧低分辨率图像重构成一幅高分辨率图像的过程。一般的超分辨率图像重构算法在小放大倍数时效果比较好,但当放大倍数上升时,存在两个问题:一个是计算复杂性的急剧上升,另一个是边缘振荡效应的加剧导致成像质量迅速恶化。提出了一个能同时解决这两个问题的基于POCS的混合递归重构算法,实验结果表明,该算法能够在提高重构图像质量的同时,较大地提高重构速度。     

基于POCS算法的序列图像超分辨率复原技术研究

本文针对POCS超分辨率算法降噪能力差的缺陷,对含噪图像首先利用小波技术进行去噪预处理,然后再用POCS算法复原。实验证明,本文提出的方法对低信噪比序列图像的超分辨率复原有很好的复原效果,并且对各种噪声处理基本有效。     

基于keren改进配准算法的POCS超分辨率重建

详细介绍了keren亚象素配准算法及其不足,提出了keren算法及其迭代算法的改进算法。该算法基于简化的四参数仿射变换模型而不是传统的刚体变换模型,成功地避免了keren算法因为角度的泰勒级数展开所带来的误差,大大地提高了配准精度。实验仿真结果表明该算法与keren迭代算法相比角度绝对误差显著的降低;平移参数在15°的大角度旋转情况下获得了0.1个象素以下的绝对误差精度,在小角度的情况下获得了0.01个象素以下的绝对误差精度,最后采用POCS方法进行序列图像的高分辨率重建,实验仿真结果表明基于改进配准算法的POCS重建具有良好的配准精度和超分辨率重建效果。     

数字图像超分辨率重建技术综述

图像超分辨率重建的目的是通过一幅或多幅低分辨率降质图像来估计一幅视觉效果较好的高分辨率图像.它从传统的图像恢复与重建技术而来,利用图像之间的信息互补来获得比单幅图像更多的细节.超分辨率技术主要分为两大类:基于重建的超分辨率技术和基于学习的超分辨率技术.基于重建的超分辨率技术按照特定的退化模型,通过输入的图像来估计高分辨率图像.基于学习的超分辨率技术从训练样本中获取先验知识,对输入图像的信息进行补充,可以获得比基于重建的算法更好的效果.对超分辨技术的算法作了系统的介绍,并指出图像的配准、退化模型的建立、盲估计问题、学习模型的建立、学习算法等仍是图像超分辨率技术中存在的主要问题,也是进一步研究的方向.     

基于POCS算法的图像超分辨率重建

传统POCS算法对图像进行超分辨率重建时,一般都假设所处理的噪声为零均值的加性高斯白噪声,当噪声为非高斯噪声如椒盐噪声时,POCS算法的重建效果将会下降.针对这一问题,本文对含噪图像首先采用平稳离散小波变换技术进行去噪预处理,然后再用POCS算法重建图像.实验证明,此方法对信噪比较低的图像有很好的重建效果,对高斯及椒盐等噪声处理比较有效.     

基于POCS算法的超分辨率图像重建技术

本文对图像超分辨率复原的概念及其原理进行阐述,研究了基于重建的超分辨率复原算法中的POCS,及凸集投影算法,分析了其重建图像的基本原理,并对算法进行实验,得出实验数据加以分析。     

倍增比自适应的图像超分辨率重建

近年来,图像超分辨率重建一直是热门的研究领域,但是对于任意倍增比的超分辨率研究仍然鲜见相应的成果.在高倍增比的情形下,图像清晰度变得较低,肉眼已难以识别图像的内容.随着技术的进步,机器视觉已开始识别清晰度极低的图像,面向任意倍增比的超分辨率技术研究已显得日益重要.通过测试各种代表性的超分辨率算法,本文在进行图像超分辨率的任意倍增比分析之后,根据全尺度质量总和准则提出了一种倍增比自适应的超分辨率重建算法.实验结果表明,所提算法在整个倍增尺度内实现了更好的整体重建性能.     

图像超分辨重建算法综述

图像超分辨重建是一种提升图像分辨率的图像处理技术,而超分辨问题是一个难解的欠定问题,近些年来研究人员主要采用基于学习的方法,从大量数据中学习图像先验信息,以实现对解空间的约束。本文介绍了近20年来主流的图像超分辨重建算法,主要分为基于传统特征的方法和基于深度学习的方法。对于传统的超分辨重建算法,阐述了基于邻域嵌入的方法、基于稀疏表示的方法以及基于局部线性回归的方法。对于基于深度学习的超分辨重建算法,详细总结了网络模型结构设计、上采样方式、损失函数形式以及复杂条件下的算法设计4个方面。此外,本文简要分析了超分辨重建技术在视频超分辨、遥感图像超分辨以及在视觉高层任务方面的应用。最后,本文展望了图像超分辨重建技术的未来发展方向。     

超分辨率图像重建方法研究

超分辨率图像重建就是由低分辨率图像序列来估计高分辨率图像，已成为当前研究的热点。对超分辨率的概念和应用场合进行了阐述，对空域的几种主要重建方法进行了详尽分析与比较，并研究了压缩域中的重建方法，指出了各自的优点与不是。研究表明，超分辨率重建具有广泛的应用前景，其成像模型、运动估计、重建算法和实时实现将是今后研究的重点。     

多重放大的医学图像超分辨率重建

针对当前大多数基于深度学习的医学图像超分辨率重建方法存在放大因子单一的问题,提出一种多重放大的医学图像超分辨率重建网络模型。以密集残差网络为基础,特征提取级联多个改进连接的密集残差块,降低连接复杂度至对数级,避免浅层的医学图像特征被反复处理。特征图重建采用元信息直接嵌入模式,利用一个小型网络学习不同放大因子任务间的通用知识,实现不同重建任务的整合。将不同放大因子任务对齐至同一维度,实现对小数重建任务的支持。实验结果表明,所提方法与深度卷积（VDSR）等典型方法相比,在峰值信噪比（PSNR）与结构相似度（SSIM）上仍有0.17～1.57 d B与0.002 2～0.042 5的提升。     

超分辨率图像重建算法综述

在人类视觉感知系统中,高分辨率(HR)图像是图像清晰表达其空间结构、细节特征、边缘纹理等信息的重要媒介,在医学、刑侦、卫星等领域有着极为广泛的实用价值.超分辨率图像重建(SRIR)旨在从给定的低分辨率(LR)图像中,重建含有清晰细节特征的高分辨率图像,是计算机视觉和图像处理领域中的一项重点研究任务.首先,对超分辨率图像...     

特征子空间规整化的人脸图像超分辨率重建

传统的图像超分辨率(SR)方法中的规整化技术一般用于保持求解过程的数值稳定性以及提供解的平滑性约束,但并不能确保高质量的重建结果.将人脸图像块看作一些特定信号类,利用主成分分析计算训练人脸图像块的特征子空间;并将传统的"重建约束"与人脸图像块的"正交补特征子空间约束"统一在贝叶斯框架下,提出一种人脸图像SR的规整化方法.不局限于以往SR方法中普遍假定的纯平移运动模型的限制,在仿射变换运动模型下提出了3种图像配准与超分辨率重建的联合迭代求解算法.最后通过仿真结果证实了文中方法的有效性.     

基于HMRF的自适应超分辨率图像重建算法

在MAP超分辨率图像重建算法中,用Huber-Markov随机场(HMRF)作为图像的先验模型相比于Gaussian-Markov随机场(GMRF)能够更好地保护图像的边缘和细节.在以往的研究中,对于如何选取Huber函数的阈值参数T并没有一个很好的方法.本文提出了一种自适应的MAP超分辨率重建算法,该算法可以自动确定参数T,并根据重建的中间结果,不断对其进行更新,通过迭带最终得到重建图像.实验结果表明,该方法实现了参数的自动选取,在得到期望的高分辨率图像的同时,有效地保护了图像的边缘信息和细节.     

基于图像配准的POCS超分辨率图像重构

图像重构是数字图像处理的一个重要的分支,根据图像序列进行重构的高分辨率图像在多种应用邻域得以应用。该文简要介绍了图像成像原理以及降阶模型,并提出在图像配准的基础上,对图像序列采用POCS方法高分辨率重构,将图像校准算法和POCS方法有机地结合在一起,同时给出了其中详细的算法和实现过程。实验仿真结果表明该算法当图像间平移量小于10个象素、旋转角小于5时收敛,且运算量小,收敛速度快,具有很好的图像超分辨率重构能力。     

改进的SRGAN图像超分辨率重建算法

图像超分辨率重建技术可以提高图像的分辨率,在医学、军事等领域都发挥着重要作用.传统的SRGAN图像超分辨率重建算法训练收敛速度慢,高频纹理锐化过度导致部分细节扭曲,影响重建图像质量.针对以上问题,对传统SRGAN模型的生成网络和损失函数进行改进,用于图像超分辨率重建.采用稀疏残差密集网络(SRDN)代替传统的SRRes...     

一种基于MAP的超分辨率图像重建的快速算法

超分辨率图像重建技术就是通过融合多幅变形、模糊、有噪、频谱混叠的低分辨率降质图像(或视频序列)来重建一幅高质量高分辨率图像.MAP估计算法是一种广泛使用的统计重建方法.针对标准MAP估计算法运算量大的问题提出了两点改进.第1点是当计算梯度时直接计算目标函数的增量,避免了函数值的冗余计算;第2点是采用非精确一维搜索确定步长,避免了运算量庞大的海塞矩阵的计算.实验结果表明,提出的改进在保持重建效果基本不变的前提下,在很大程度上提高了MAP超分辨率图像重建方法的速率,与此同时保证了算法的收敛性.